企业官网建设流程全解析

兰州网站建设加王道下拉,网站的运营管理方案,在百度上做网站推广效果怎么样,室内设计品牌无人机航拍铁轨铁铁路道异物检测数据集#xff0c;1285张#xff0c;yolo和voc标注 图像尺寸:1080*1920 4类#xff0c;训练集图像数量:901; 验证集图像数量:256#xff1b; 测试集图像数量:128 类别名称: 每一类图像数 #xff0c;每一类标注数 poset 塑料袋: 282,341 bi…无人机航拍铁轨铁铁路道异物检测数据集1285张yolo和voc标注图像尺寸:1080*19204类训练集图像数量:901; 验证集图像数量:256 测试集图像数量:128类别名称: 每一类图像数 每一类标注数poset 塑料袋: 282,341bitki 植物: 375,1039cubuk 长棍: 28,31insan 人: 682,843image num: 12851111无人机航拍图像铁道异物检测数据集 一、数据集详细表格描述✅ 总体信息项目内容总图像数量1,285 张图像分辨率1080 × 1920高 × 宽竖屏航拍类别数量4 类标注格式同时提供YOLO 格式.txt和PASCAL VOC 格式.xml数据划分- 训练集901 张- 验证集256 张- 测试集128 张️ 类别分布统计表类别 ID类别名称土耳其语类别名称中文包含该类的图像数标注框总数instances平均每图目标数0poset塑料袋282341≈1.211bitki植物3751,039≈2.772cubuk长棍2831≈1.113insan人682843≈1.24—总计去重图像—1,2852,254— 注单张图像可包含多个类别如“人植物”因此各类图像数之和 1,285。“植物”类标注密集常为灌木、杂草覆盖轨道“长棍”样本极少需重点处理类别不平衡。图像为竖屏 1080×1920适合铁路沿线纵向巡检场景。️ 二、构建基于 YOLOv8 的铁道异物检测系统完整流程 1. 推荐项目结构railway_obstacle_detection/ ├── data/ │ ├── images/ │ │ ├── train/# 901│ │ ├── val/# 256│ │ └── test/# 128│ ├── labels/# YOLO格式 .txt│ │ ├── train/ │ │ ├── val/ │ │ └── test/ │ └── dataset.yaml# YOLOv8 数据配置├── weights/ │ └── yolov8s.pt# 官方预训练模型自动下载├── models/# 训练输出├── outputs/# 推理结果├── train.py# 训练脚本├── detect.py# 推理模块├── utils/ │ ├── balance_analysis.py# 分析类别不平衡│ └── visualize_labels.py# 可视化标注└── requirements.txt 2. 环境依赖requirements.txtultralytics8.2.0 opencv-python4.8.0 numpy1.24.3 matplotlib tqdm scikit-learn # 如需分析安装pipinstall-r requirements.txt 3. 数据配置文件dataset.yaml# data/dataset.yamltrain:../data/images/trainval:../data/images/valtest:../data/images/testnc:4names:[poset,bitki,cubuk,insan]⚠️ 注意类别顺序必须与标注.txt中 class_id 严格对应0~3 4. 模型训练train.py# train.pyfromultralyticsimportYOLOdeftrain_railway_detector():# 使用 yolov8s兼顾精度与速度适合小目标modelYOLO(yolov8s.pt)resultsmodel.train(datadata/dataset.yaml,imgsz640,# 自动缩放 1080x1920 → 640保持比例epochs150,# 增加 epoch 应对小样本batch16,# 根据 GPU 调整device0,namerailway_yolov8s,projectmodels,patience50,saveTrue,augmentTrue,# 针对小目标 稀有类增强hsv_h0.015,hsv_s0.7,hsv_v0.4,degrees15.0,# 更大旋转航拍角度多变translate0.2,scale0.5,fliplr0.5,mosaic1.0,# Mosaic 增强提升“cubuk”检测mixup0.2,copy_paste0.3,# Copy-Paste 增强稀有类如 cubuk)print(f✅ 训练完成最佳模型:{results.save_dir}/weights/best.pt)if__name____main__:train_railway_detector()关键优化点启用copy_paste增强解决“长棍”cubuk样本极少问题使用mosaicmixup提升小目标塑料袋、长棍召回率imgsz640YOLOv8 自动保持宽高比避免形变 5. 推理检测detect.py# detect.pyimportcv2importosfromultralyticsimportYOLOclassRailwayObstacleDetector:def__init__(self,model_pathmodels/railway_yolov8s/weights/best.pt):self.modelYOLO(model_path)self.class_names[Plastic Bag,Vegetation,Long Rod,Person]defdetect_image(self,image_path,conf0.25,save_diroutputs):resultsself.model(image_path,confconf)annotatedresults[0].plot()os.makedirs(save_dir,exist_okTrue)out_pathos.path.join(save_dir,os.path.basename(image_path))cv2.imwrite(out_path,annotated)print(f✅ 检测完成 →{out_path})returnannotateddefdetect_video(self,video_path,conf0.25):capcv2.VideoCapture(video_path)fpsint(cap.get(cv2.CAP_PROP_FPS))w,hint(cap.get(cv2.CAP_PROP_FRAME_WIDTH)),int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))out_pathoutputs/detected_os.path.basename(video_path)outcv2.VideoWriter(out_path,cv2.VideoWriter_fourcc(*mp4v),fps,(w,h))whilecap.isOpened():ret,framecap.read()ifnotret:breakresultself.model(frame,confconf)[0]out.write(result.plot())cap.release()out.release()print(f✅ 视频检测完成 →{out_path})defdetect_drone_stream(self,rtsp_url):支持 RTSP 流如大疆无人机直播流capcv2.VideoCapture(rtsp_url)whileTrue:ret,framecap.read()ifnotret:breakannotatedself.model(frame,conf0.25)[0].plot()cv2.imshow(Railway Inspection,annotated)ifcv2.waitKey(1)ord(q):breakcap.release()cv2.destroyAllWindows()▶️ 6. 使用示例# 快速测试fromdetectimportRailwayObstacleDetector detectorRailwayObstacleDetector()# 检测单图detector.detect_image(test_images/rail1.jpg)# 检测视频detector.detect_video(railway_drone.mp4)# 实时 RTSP 流需替换 URL# detector.detect_drone_stream(rtsp://192.168.1.10:8554/main)️ 7. 部署与工程建议场景建议无人机端侧部署导出为 TensorRTyolo export modelbest.pt formatengine imgsz640铁路巡检车集成到车载工控机定时抓拍告警Web 监控平台用 Flask/FastAPI 提供 REST API前端展示告警处理类别不平衡对cubuk使用Focal Loss可通过 Ultralytics 自定义 loss或过采样铁路智能巡检、异物入侵告警、无人机自动巡线等关键任务。